多元线性回归模型——组合后.pptVIP

* 二、回归方程的显著性检验（F检验） 回归方程的显著性检验，是在一定的显著性水平下，从总体上对模型中被解释变量与解释变量之间的线性关系是否显著成立进行的一种统计检验。 * 随机变量 在H0成立的条件下， 服从F分布的随机变量在右尾出现的概率是比较小的，给定显著性水平 ，查F分布表，可以得到临界值 。 没有发生小概率事件，接受原假设，被解释变量与所有的解释变量之间不存在显著的线性关系。 小概率事件发生，拒绝原假设，被解释变量与所有的解释变量之间存在显著的线性关系。 * 说明：一元线性回归中的F统计量 * 说明：F统计量与可决系数R2的关系 对回归方程的显著性检验（F检验），实际上也是对R2的显著性检验。 * 三、回归参数的显著性检验（t检验） 当 已知时， 当 未知时， * 随机变量 服从t分布的随机变量在两尾出现的概率是比较小的，给定显著性水平 ，查t分布表，可以得到临界值 。 没有发生小概率事件，接受原假设，第j个解释变量Xj对被解释变量Y无显著影响。 小概率事件发生，拒绝原假设，第j个解释变量Xj对被解释变量Y有显著影响。 * 本章小结 多元线性回归模型的PRF、SRF 古典假定或高斯假定的内容 多元线性回归模型的OLS估计式 参数的OLS估计是BLUE 拟合优度检验 回归方程的显著性检验（F检验） 回归参数的显著性检验（t检验） * 第三章 多元线性回归模型 第一节 多元线性回归模型及古典假定 第二节 多元线性回归模型的估计 第三节 多元线性回归模型的检验 第四节 多元线性回归模型的预测 第五节 案例分析 * 第一节 多元线性回归模型及古典假定 一、多元线性回归模型 1.总体回归函数PRF 2.样本回归函数SRF 3.偏回归系数 二、多元线性回归模型的矩阵形式 三、多元线性回归模型的古典假定 * 一、多元线性回归模型 多元线性回归模型：描述一个被解释变量与多个解释变量之间的线性关系，线性是就各个参数而言的，对解释变量可以是线性的也可以不是线性的。 * 1.总体回归函数PRF 条件均值形式 个别值形式 说明： 模型中有k-1个解释变量： ：对应着解释变量的第i组值 ：为模型的参数 * 2.样本回归函数SRF 条件均值形式 个别值形式 说明： 是 的估计； 分别是总体回归参数 的估计； 如果样本容量为n，则i取1～n。 * 3.偏回归系数 在多元线性回归模型中，回归系数 表示的是当控制其他解释变量不变的条件下，第 j个解释变量的单位变动对被解释变量平均值的 影响，这样的回归系数称为偏回归系数。 * 二、多元线性回归模型的矩阵形式 假设对被解释变量Y及多个解释变量做了n次观测，则i取1～n ，所得n组观测值的线性关系如下： * 注意：Xji的意义！（j取1～n; i取1 ～ k） 数据矩阵或设计矩阵 * 总体回归函数与样本回归函数的矩阵形式 总体回归函数 样本回归函数 条件期望形式 个别值形式 * 三、多元线性回归模型的古典假定 1.零均值假定 2.同方差和无自相关假定 * 3.随机扰动项与解释变量不相关假定 4.无多重共线性假定 5.正态性假定 假定各解释变量之间不存在线性关系，即假定解释变量观测值矩阵X列满秩。 * 无多重共线性假定 则数 即假定如果使 必全为0。 … * 第二节 多元线性回归模型的估计 一、多元线性回归模型参数的最小二乘估计 二、参数最小二乘估计的性质 三、参数最小二乘估计的分布 四、随机扰动项方差的无偏估计 * 一、多元线性回归模型参数的最小二乘估计 用样本信息估计总体回归函数，根据最小二乘准则，即求使得残差平方和达最小的总体未知参数的估计值。 * * 其中， * 多元线性回归模型参数的最小二乘估计 * 二、参数最小二乘估计的性质 在古典假定下，多元线性回归模型的最小二乘估计式是最佳线性无偏估计（BLUE）。 1.线性 参数的最小二乘估计式是被解释变量Yi的线性组合。 k×n阶矩阵 * 2.无偏性 参数的最小二乘估计是一无偏估计。 * 3.最小方差性 向量的方差 即其方差协方差矩阵 * 三、参数最小二乘估计的分布 依据线性，参数的最小二乘估计是被解释变量Yi的线性函数 服从正态分布 依据无偏性和最小方差性 * 四、随机扰动项方差的估计 总体随机扰动项的方差 一般未知，需要找一个指标去估计它。 的一个无偏估计是： 一元线性回归中， 多元线性回归中， * 第三节 多元线性回归模型的检验 一、拟合优度检验 1.多重可决系数 2.修正的可决系数 二、回归方程的显著性检验（F检验） 三、回归参数的显著性检验（t检验） * 一、拟合优度检验1.多重可决系数 所估计